Нейроморфный чип “Алтай” ориентированный на использование в РТК (ПСиЗУ 2016)motivnt
Презентация к докладу на Одиннадцатой Всероссийской научно-практической конференции "Перспективные системы и задачи управления" Россия, г. Евпатория, Республика Крым с 4 по 8 апреля 2016 г.
Мы практически не замечаем этого, но сферы применения искусственного интеллекта растет с каждым годом. И это не только самоуправляемые автомобили или приложения по стилизации фотографий под Ван Гога. Нейронные сети дают конкурентное преимущество во многих сферах.
Когда же нужны нейронные сети?
https://pureso.com/
Введение в архитектуры нейронных сетей / HighLoad++ 2016Grigory Sapunov
Slides from HighLoad++ 2016 conference.
Introduction into neural network architectures (Rus)
Презентация для конференции HighLoad++ 2016.
http://www.highload.ru/2016/abstracts/2454.html
Видеозапись доклада:
https://www.youtube.com/watch?v=XY5AczPW7V4
Введение в архитектуры нейронных сетей / Григорий Сапунов (Intento)Ontico
Цель доклада — помочь слушателям построить актуальную карту происходящего в области искусственных нейронных сетей. В рассказ войдёт разбор основных архитектур промышленных нейросетей сегодняшнего дня, их особенности и отличия друг от друга, границы применения и типовые решаемые задачи, а также актуальные направления развития области, в настоящий момент выходящие из лабораторий в промышленное использование. Также коснёмся темы используемых в индустрии фреймворков для работы с нейросетями.
Нейросетевые системы автоматического распознавания морских объектовNatalia Polkovnikova
Полковникова Н.А. Нейросетевые системы автоматического распознавания морских объектов // Эксплуатация морского транспорта. Гос. морской университет им. адмирала Ф.Ф. Ушакова, Новороссийск. – 2020, №1(94). – C. 207-219.
Нейроморфный чип “Алтай” ориентированный на использование в РТК (ПСиЗУ 2016)motivnt
Презентация к докладу на Одиннадцатой Всероссийской научно-практической конференции "Перспективные системы и задачи управления" Россия, г. Евпатория, Республика Крым с 4 по 8 апреля 2016 г.
Мы практически не замечаем этого, но сферы применения искусственного интеллекта растет с каждым годом. И это не только самоуправляемые автомобили или приложения по стилизации фотографий под Ван Гога. Нейронные сети дают конкурентное преимущество во многих сферах.
Когда же нужны нейронные сети?
https://pureso.com/
Введение в архитектуры нейронных сетей / HighLoad++ 2016Grigory Sapunov
Slides from HighLoad++ 2016 conference.
Introduction into neural network architectures (Rus)
Презентация для конференции HighLoad++ 2016.
http://www.highload.ru/2016/abstracts/2454.html
Видеозапись доклада:
https://www.youtube.com/watch?v=XY5AczPW7V4
Введение в архитектуры нейронных сетей / Григорий Сапунов (Intento)Ontico
Цель доклада — помочь слушателям построить актуальную карту происходящего в области искусственных нейронных сетей. В рассказ войдёт разбор основных архитектур промышленных нейросетей сегодняшнего дня, их особенности и отличия друг от друга, границы применения и типовые решаемые задачи, а также актуальные направления развития области, в настоящий момент выходящие из лабораторий в промышленное использование. Также коснёмся темы используемых в индустрии фреймворков для работы с нейросетями.
Нейросетевые системы автоматического распознавания морских объектовNatalia Polkovnikova
Полковникова Н.А. Нейросетевые системы автоматического распознавания морских объектов // Эксплуатация морского транспорта. Гос. морской университет им. адмирала Ф.Ф. Ушакова, Новороссийск. – 2020, №1(94). – C. 207-219.
3. История развития НС 1. Мак Каллок, Питтс: статья по нейровычислениям, 1943г. Минский: первый экспериментальный нейрокомпьютер Snark , 1951 г. 2. Ф.Розенблат: создание персептрона, идея обучения на примерах, 1961г. Минский, Пейперт: статья об ограниченности персептронов, проблема «исключающего или», 1969г. 3. Румельхарт: метод обучения многослойного персептрона, 1986г.
7. Классификация НС. Другие варианты По типу обрабатываемой информации: - бинарные; - аналоговые. По числу слоев: - однослойные; - двухслойные; - ... По характеру связанности: - полносвязанные; - частичносвязанные. По режиму смены состояния нейронов: - синхронные; - асинхронные.
8. Области применения НС. Классификация образов Отнесение образа к одному из заданных классов. Примеры задач: - оптическое распознавание символов, - автоматическое считывание чеков и форм, - безопасность транзакций по пластиковым карточкам, - обработка медицинских изображений, - распознавание сигналов радаров, - анализ аэрокосмических снимков, - системы идентификации личности, - распознавание голоса, - распознавание лиц, - распознавание автомобильных номеров, - мониторинг информационных потоков, - обнаружение подделок.
9.
10.
11. Области применения НС. Аппроксимация функций По выборке ( (x 1 ,y 1 ), (x 2 ,y 2 )..., (x n ,y n ) ) (пары данных аргумент-значение), которая генерируется неизвестной функцией y(x) , искаженной шумом, найти оценку этой функции. Примеры задач: - оценка коммерческих рисков; - выявление пере- и недооцененных компаний; - автоматическое рейтингование. Пример системы: Система коррекции изображений (уменьшение расфокусировки, увеличение контрастности и т.п.).
12.
13.
14. Области применения НС. Ассоциативная память Память, доступ к ячейкам которой осуществляется по их содержимому . Примеры задач : - смысловой поиск информации в базах данных; - техническая диагностика; - синтез речи. Пример системы: Анализ содержания текста и проведение в нем смыслового поиска информации. TextAnalyst (Microsystems ltd ).
15. Области применения НС. Управление Целью управления является расчет такого воздействия на систему, при котором она следует по желаемой траектории, диктуемой эталонной моделью. Примеры задач : - оптимальное управление двигателем; - управление роботами; - управление химическими реакторами. Пример системы: Управление процессом стыковки космических кораблей ( NASA, США )
16. Области применения НС. Визуализация многомерных данных Представление многомерной информации в виде двумерных изображений (карт) с минимально возможными искажениями. Точки близкие на построенной карте соответствуют близким исходным данным.